powerDesigner绘制类图

使用powerdesigner建模 UML9种图 介绍了使用powerdesigner建模的UML9种图,总的的精炼又清晰明确。 立即下载

今天玩下PowerDesigner工具玩下怎么画类图,在大型的项目中可能会有类图,因为有了它整个项目的类结构更加清晰,或者说一个刚入职进入你项目组的成员能更快的了解整个项目,画类图之前要明白类和类之间有几种关系,如果这几种关系都不知道,画图就是纸上谈兵,常见的类和类之间的关系有如下几种关系:

泛化(Generalization)

实现(Realization)

关联(Association)

聚合(Aggregation)

组合(Composition)

依赖(Dependency)

现在一一讲下上面几种类之间关系的概念以及画uml类图结构:

泛化(Generalization)

是一种继承关系, 表示一般与特殊的关系, 它指定了子类如何特化父类的所有非private修饰的特征和行为,比如说人有男人和女人,男人和女人即有共性的地方也有差异的地方

箭头指向:带三角箭头的实线,箭头指向父类


我们看到父类Person中有二个属性age和name,还有三个三个方法eat(),sleep(),work()方法,二个子类Man和Woman都继承了Person父类2个属性age,name和二个方法eat(),sleep(),这些都是二个子类共有的属性和父类,但是Man和Woman子类也有各自不同于父类的方法,在PowerDesigner中继承的图标是这个,如果不知道的话可以使用鼠标放在每个图标上,如果上面有Generalization单词就表示这是泛化关系。


实现(Realization)

实现和我们java中的实现是一个意思,是一种类与接口的关系, 表示类是接口所有特征和行为的实现

箭头指向:带三角箭头的虚线,箭头指向接口

类图如下:


关联(Association)

是一种拥有的关系, 它使一个类知道另一个类的属性和方法,这个概念听起来感觉有点蒙,其实吧,就是一个对象A中持有对象B的引用,这样对象B中的属性和方法是不是A也知道了,就是这个意思,在实际的代码中体现在一个类上声明一个成员变量,类似这个

箭头及指向:带普通箭头的实心线,指向被拥有者

package com.power;
import android.support.v7.app.AppCompatActivity;
import android.os.Bundle;
public class MainActivity extends AppCompatActivity {
    private Person person;
    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        person = new Man();
    }
}
上面的activity中声明了一个Person类型的成员变量,这就是关联,其实也是一种依赖,类图如下:



它也可以自关联,比如在android中我们也经常写这种代码:

package com.power;
import android.app.Application;
/**
 * Created by admin on 2017/2/6.
 */
public class MyApp extends Application {
    private static MyApp myApp;
    @Override
    public void onCreate() {
        super.onCreate();
        myApp = this;
    }
}
它就是一种自关联的关系


聚合(Aggregation)

是整体与部分的关系, 且部分可以离开整体而单独存在,如车和轮胎是整体和部分的关系,轮胎离开车仍然可以存在

聚合关系是关联关系的一种,是强的关联关系;关联和聚合在语法上无法区分,必须考察具体的逻辑关系

比如一个学校有高中部和初中部,这些学生加起来都是属于这个学校的,那么从聚合的概念上讲整体就是这个学校,部分就是学生了,且部分可以离开整体而单独存在,这意思是说学生可以转校去别的学校,但是这个学校还是存在的,不会因为一个学生转校了找个学校就没了,

箭头指向:带空心菱形的实心线,菱形指向整体

代码体现:

package com.power;
import java.util.List;
/**
 * Created by admin on 2017/2/6.
 */
public class School {
    private List<Student> students;
}
学生:
package com.power;
/**
 * Created by admin on 2017/2/6.
 */
public class Student {
    public int age;
    public String name;
    public void listener(){

    }
}
类图如下:


组合(Composition)

是整体与部分的关系, 但部分不能离开整体而单独存在. 如公司和部门是整体和部分的关系, 没有公司就不存在部门

组合关系是关联关系的一种,是比聚合关系还要强的关系,它要求普通的聚合关系中代表整体的对象负责代表部分的对象的生命周期

代码体现:成员变量

箭头指向:带实心菱形的实线,菱形指向整体

比如一个大厦肯定是由很多种材料构成的,如果没有这些材料,这大厦就不存在了,意思是这个大厦生命周期over了,

package com.power;
/**
 * Created by admin on 2017/2/6.
 * 材料
 */
public class Material {
    private int reinforced;//钢筋 在这就用int类型表示了意思下
}
House.java
package com.power;
import java.util.ArrayList;
import java.util.List;
/**
 * Created by admin on 2017/2/6.
 * 大厦
 */
public class House {
    private List<Material> materials;
    public House(){
        materials = new ArrayList<>();
    }
}
类图:


依赖(Dependency)

是一种使用的关系,  即一个类的实现需要另一个类的协助,所以要尽量不使用双向的互相依赖

代码表现:局部变量、方法的参数或者对静态方法的调用

箭头指向:带箭头的虚线,指向被使用者
package com.power;
/**
 * Created by admin on 2017/2/6.
 */
public class Student {
    public int age;
    public String name;
    public void listener(){

    }
    public void notice(){
        System.out.print("高三学生初八开始上课");
    }
}
package com.power;
import java.util.List;
/**
 * Created by admin on 2017/2/6.
 */
public class School {
    public void notiy(List<Student> students){
        if(students!=null&&!students.isEmpty()){
            for(Student stu:students){
                stu.notice();//学校通知所有学生去上课
            }
        }
    }
}
这个School类中的notity()方法功能就是通知所有高三的学生什么时候开始上课,我们看到notiy()方法中的形参是一个集合,这种就是依赖关系,即一个类的实现需要另一个类的协助,也就是说School这个类要实现notiy()方法必须得依赖Student这个类,不然没办法实现!

类图:


各种关系的强弱顺序:

泛化 >实现>组合> 聚合> 关联> 依赖

最后把这些关系在java代码中的体现总结下:

1) 依赖关系:关系对象出现在局部变量或者方法的参数里,或者关系类的静态方法被调用 
(2) 关联关系:关系对象出现在实例变量中 
(3) 聚合关系:关系对象出现在实例变量中 
(4) 组合关系:关系对象出现在实例变量中 
(5) 泛化关系: extends 
(6) 实现: implements




相关推荐

VUE3如何使得大屏自适应的几种方法?

16:9。

weixin_42711805的博客 1万+

类和类之间的关系分类、继承、实现、依赖、关联、聚合和组合六种关系

类与类之间的六种关系 实现关系 定义:类和接口之间的关系(一个类可以实现多个接口,实现所有接口的功能;体现了规范和实现分离的原则) 实现:implements 符号:实现用一条带空心三角箭头的虚线表示,从类指向实现的接口 继承(泛化)关系 定义:类和子类的关系,接口和子接口的关系 实现:extends 符号:一条带空心三角箭头的实线,从子类指向父类,或者子接口指向父接口 依赖关系 ...

ningfuxuan的专栏 1519

JavaSpringBoot + VUE 相关开发环境配置合集

1.Java环境-JDK安装 参照:Java基础1-环境篇:JDK安装与环境变量配置 Java基础1-环境篇:JDK安装与环境变量配置_第一段代码的博客-优快云博客_jdk 2.Web服务器-Tomcat安装 原创Java服务器Tomcat安装和配置 3.Maven(后面为了项目兼容性,使用了3.0.5版本) 原创Maven安装和配置(Maven3.0.5) 4.nginx 原创nginx轻量级Web服务器安装和配置 5 数据库mysql 原创数据库Mysql安装和配置 ...

第一段代码的博客 3163

powerdesigner建立UML活动图

powerdesigner建立UML活动图;

bcbobo21cn的专栏 6792

k-shape时间序列聚类实战:从理论到tslearn实现

本文深入探讨了k-shape时间序列聚类算法,从核心原理到tslearn库的实战应用。k-shape通过标准化互相关系数衡量序列形状相似性,专注于识别波动模式而非绝对数值。文章详细介绍了算法流程、Python环境搭建、数据预处理、最佳K值确定方法,并通过完整代码示例展示了模型训练与结果可视化,帮助读者掌握这一强大的“形状捕手”工具。

weixin_29061465的博客 171

LatentSync:开源数字人唇形同步技术的实战部署与优化指南

本文详细介绍了开源数字人唇形同步工具LatentSync的实战部署与优化全流程。从核心原理(潜在扩散模型与TREPA技术)解析,到手把手完成环境搭建、模型获取及首次推理。文章深入探讨了自定义素材处理、关键参数调优(如guidance_scale),并提供了显存不足、人脸检测失败等常见问题的解决方案与性能优化技巧,旨在帮助用户高效部署并提升生成效果。

9o8p7i6u5y的博客 1004

用PowerDesigner画UML图的类图(含例子)

用PowerDesigner画UML图的类图(含例子),详解类与类的关系(含图),PowerDesigner的使用,关联关系,聚合关系,组合关系,依赖关系,泛化关系,接口与实现关系,创建类图,,按照文本大小对图像进行调整,快速增加get和set方法,设置方法为数组类型,画斜线(修改线条属性)

wangmyang0909的博客 8255

用WorkBuddy和ima搭建本地知识库:从概念到实操

在AI应用普及的今天,私有知识的高效管理与调用成为痛点。RAG(检索增强生成)技术通过将外部知识库与语言模型耦合,为精准问答提供了技术底座。然而,传统RAG方案往往涉及向量数据库、文本切分等复杂环节。一种更轻量的路径应运而生:借助WorkBuddy与ima的组合,将知识收集、语义检索与智能体工作流整合,让本地知识库真正服务于日常办公和研发场景。从概念到实操,系统解析这套轻量级方案的核心逻辑与配置方法,并对比重方案适用边界,帮助读者快速搭建属于自己的AI知识助手。

weixin_32830601的博客 413

UML分析与设计(3)——图的概述

UML图概述 标准建模语言UML可以由下列5类图来定义:用例图:从用户角度描述系统功能,并指出各功能的操作者。静态图:包括类图和对象图。类图描述系统中类的静态结构,不仅定义系统中的类,表示类之间的联系,如关联、依赖、聚合等,也包括类的属性和操作,类图描述的是一种静态关系,在系统的整个生命周期都是有效的。对象图是类图的实例,几乎使用与类图完全相同的标识。一个对象图是类图的一个实例。由于对象存在生命周...

Saurfang 1878

高通平台蓝牙学习-- 基于WCN6750 Bluetooth 5.2的讲解

摘要:蓝牙5.2解决方案WCN6750具备多项先进特性:完全兼容5.2标准及ANT+协议,支持2Mbps高速BLE和长距离传输;采用射频集成方案,与WLAN共享天线并支持5G并发;内置功率放大器,支持Class1/2传输;提供双音频流和Slimbus接口优化。其HCI UART接口支持3.2Mbps速率,通过BlueZ协议栈实现蓝牙5.2功能,包括2Mbps模式和长距离传输,符合核心规范要求。(149字)

专业开发者的博客,一个从事Android WiFi和蓝牙的工程师 3万+

【原创教程】西门子1500与施耐德伺服的通讯以及调试

该函数块主要描述伺服的手动,左边的引脚Forward是指伺服手动正转,Backward是指伺服手动反转,Fast是指手动的某个方向为快速运行,TipPos手册上描述为固定值,WaitTIme是指伺服手动的相应时间,VeloSlow指伺服手动正常慢速运动的速度,VeloFast指伺服手动快速运动的速度,Acceleration是指伺服手动的加速度,Decelertion是指伺服手动的减速度。该函数块用于伺服停止,左边的引脚Execute为伺服停止执行,Deceleration含义为减速,Axis为轴。

Qinmingyue13的博客 1374

PowerDesigner16 活动图

活动是某件事情正在进行的状态。活动在状态机中表现为一个由一系列动作组成 的非原子的执行过程。 活动图是一种描述系统行为的图,它用于展现 参与行为的实体所进行的各种活动的顺序关系。活动图(Activity diagram)是UML用于对 系统的动态行为建模的另一种常用工具,它描 述活动的顺序,展现从一个活动到另一个活动 的控制流。活动图在本质上是一种流程图。 一:活动图的组成元素 (...

weixin_30873847的博客 1519

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

powerdesigner安装及绘制uml类图

powerdesigner破解安装及绘制uml类图powerdesigner下载地址powerdesigner的安装powerdesigner的破解powerdesigner绘制UML类图 powerdesigner下载地址 powerdesigner15.6(含破解文件): powerdesigner的安装 下载完成后解压缩点击安装文件: 接着按照安装的步骤正常安装即可,如果不知道如何选择那就默...

qq_22691405的博客 2614

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

powerDesigner绘制类图使用简介

因为后面要理清楚spring和设计模式中类与类之间关系,我们来看看如何使用powerDesigner绘制类图 安装使用 你要去下载powerDesiger,一路下一步安装好 打开,点【file】-【New Model】 选择【Model types】-【Object-Oriented Model】-【Class Diagram】-【java】-【ok】 利用右侧的toolbox构建 常见类关...

牧竹子 1634

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【PowerDesigner】【10】绘制类图

前言:我感觉我也是一知半解,参考博客的内容会比我的文章更有帮助 用途:描述项目中类与类的关系(即描述java文件) 正文: 1,新建oomFile→New Model→Model types→Object-Oriented Model→Class Diagram→底部Object language选择JAVA 2,创建class视图,用不同的箭头表示类之间的关系(见参考4)...

aizhu4795的博客 456

使用powerDesigner绘制类图

使用powerDesigner绘制类图 因为后面要理清楚spring中类与类之间关系,我们来看看如何使用powerDesigner绘制类图你要去下载powerDesiger,一路下一步安装好打开,点【file】-【New Model】         选择【Model types】-【Object-Oriented Model】-【Class Diagram】-【ja

world_snow的博客 1684

powerDesigner绘制UML类图

今天玩下PowerDesigner工具玩下怎么画类图,在大型的项目中可能会有类图,因为有了它整个项目的类结构更加清晰,或者说一个刚入职进入你项目组的成员能更快的了解整个项目,画类图之前要明白类和类之间有几种关系,如果这几种关系都不知道,画图就是纸上谈兵,常见的类和类之间的关系有如下几种关系: 泛化(Generalization) 实现(Realization) 关联(Association)...

小猴子的博客 2547

[PowerDesigner]绘制类图并调整字体大小

一、绘制类图 关于如何使用PowerDesigner创建类图,这篇文章介绍的很详细。简单地说: (1)文件-&gt;新建模型 (2)选择类图标,点击空白处 二、调整类图字体 (1)工具-&gt;显示参数选择 (2)Fomat-&gt;Class-&gt;Modify... (3)Font-&gt;Symbol,至此字体调整完毕,应用即可 三、调整结果 将字体调...

shichimiyasatone的博客 3158

使用PowerDesigner绘制类图

因为后面要理清楚spring中类与类之间关系,我们来看看如何使用powerDesigner绘制类图 你要去下载powerDesiger,一路下一步安装好 打开,点【file】-【New Model】       选择【Model types】-【Object-Oriented Model】-【Class Diagram】-【java】-【ok】       利用右侧的toolbox构建      既

SL_World的博客 6158

PowerDesigner系列--类图的绘制

参考:https://www.cnblogs.com/x-ll123/p/9129856.html https://www.cnblogs.com/liuling/archive/2013/05/03/classrelation.html https://blog.youkuaiyun.com/shuzhupeng/article/details/101222738 https://www.cnblogs.com/ganqiyin/p/3156991.html https://blog.youkuaiyun.com/xin

铭 3806

powerdesigner绘制UML模型(包括用例图、类图、时序图、E-R图……)

本文介绍了常见的UML(标准建模语言)模型,并展示了如何运用powerdesigner来进行模型的构建。如: 1. 用例图 2. 类图 3. 包图 4. 时序图 5. 状态图 6. 数据流图 7. 实体关系图

LancasterLiu的博客 2万+

PowerDesigner绘制类图时添加getter、setter、构造器(Constructor)及重写(Override)的方法

PowerDesigner绘制类图时添加构造器及override的方法 写作业时,要求绘制领域模型,其中涉及到了构造器以及重写方法的使用,几经研究后,找到了功能在哪里,随手记下来以备忘。 文章目录PowerDesigner绘制类图时添加构造器及override的方法一、构造器的添加(1)无参数构造器(2)含参数的构造器二、getter和setter方法的生成三、重写方法的快速生成 一、构造器的添加...

weixin_43158997的博客 4410
上一篇: android框架基础之模板方法模式
下一篇: android 手把手教你写数据库框架(第一篇)
zhoushenxian
博客等级 码龄12年 453粉丝 549原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值